期刊文献+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
共找到80篇文章
< 1 2 … 4 >
每页显示 20 50 100
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
显示方式：
基于密度的改进K均值算法及实现 被引量：76
1
作者 傅德胜 周辰 《计算机应用》 CSCD 北大核心 2011年第2期432-434,共3页
传统的K均值算法的初始聚类中心从数据集中随机产生,聚类结果很不稳定。提出一种基于密度算法优化初始聚类中心的改进K-means算法,该算法选择相互距离最远的k个处于高密度区域的点作为初始聚类中心。实验证明,改进的K-means算法能够消... 传统的K均值算法的初始聚类中心从数据集中随机产生,聚类结果很不稳定。提出一种基于密度算法优化初始聚类中心的改进K-means算法,该算法选择相互距离最远的k个处于高密度区域的点作为初始聚类中心。实验证明,改进的K-means算法能够消除对初始聚类中心的依赖,聚类结果有了较大的改进。 展开更多
关键词 聚类 K-均值算法 初始聚类中心 高密度区域
下载PDF
优化初始聚类中心的K-means聚类算法 被引量：41
2
作者 郭永坤 章新友 +2 位作者 刘莉萍 丁亮 牛晓录 《计算机工程与应用》 CSCD 北大核心 2020年第15期172-178,共7页
针对传统K-means算法对初始中心十分敏感,聚类结果不稳定问题,提出了一种改进K-means聚类算法。该算法首先计算样本间的距离,根据样本距离找出距离最近的两点形成集合,根据点与集合的计算公式找出其他所有离集合最近的点,直到集合内数... 针对传统K-means算法对初始中心十分敏感,聚类结果不稳定问题,提出了一种改进K-means聚类算法。该算法首先计算样本间的距离,根据样本距离找出距离最近的两点形成集合,根据点与集合的计算公式找出其他所有离集合最近的点,直到集合内数据数目大于或等于α(α为样本集数据点数目与聚类的簇类数目的比值),再把该集合从样本集中删除,重复以上步骤得到K(K为簇类数目)个集合,计算每个集合的均值作为初始中心,并根据K-means算法得到最终的聚类结果。在Wine、Hayes-Roth、Iris、Tae、Heart-stalog、Ionosphere、Haberman数据集中,改进算法比传统K-means、K-means++算法的聚类结果更稳定;在Wine、Iris、Tae数据集中,比最小方差优化初始聚类中心的K-means算法聚类准确率更高,且在7组数据集中改进算法得到的轮廓系数和F1值最大。对于密度差异较大数据集,聚类结果比传统K-means、K-means++算法更稳定,更准确,且比最小方差优化初始聚类中心的K-means算法更高效。 展开更多
关键词 K-MEANS聚类算法 算法优化 初始聚类中心
下载PDF
基于信息熵的精确属性赋权K-means聚类算法 被引量：37
3
作者 原福永 张晓彩 罗思标 《计算机应用》 CSCD 北大核心 2011年第6期1675-1677,共3页
为了进一步提高聚类的精确度,针对传统K-means算法的初始聚类中心产生方式和数据相似性判断依据,提出一种基于信息熵的精确属性赋权K-means聚类算法。首先利用熵值法对数据对象的属性赋权来修正对象间的欧氏距离,然后通过比较初聚类的... 为了进一步提高聚类的精确度,针对传统K-means算法的初始聚类中心产生方式和数据相似性判断依据,提出一种基于信息熵的精确属性赋权K-means聚类算法。首先利用熵值法对数据对象的属性赋权来修正对象间的欧氏距离,然后通过比较初聚类的赋权类别目标价值函数,选择高质量的初始聚类中心来进行更高精度和更加稳定的聚类,最后通过Matlab编程实现。实验证明该算法的聚类精确度和稳定性要明显高于传统K-means算法。 展开更多
关键词 K-MEANS 精确度 信息熵 属性赋权 初始聚类中心
下载PDF
优化初始聚类中心的改进K-means算法 被引量：32
4
作者 唐东凯 王红梅 +1 位作者 胡明 刘钢 《小型微型计算机系统》 CSCD 北大核心 2018年第8期1819-1823,共5页
针对K-means算法对初始聚类中心和离群点敏感的缺点,提出了一种优化初始聚类中心的改进K-means算法.该算法首先计算出数据集中每个数据对象的离群因子,并根据离群因子的值对数据集进行升序排列,使得中心点的位置靠前.然后在升序排列的... 针对K-means算法对初始聚类中心和离群点敏感的缺点,提出了一种优化初始聚类中心的改进K-means算法.该算法首先计算出数据集中每个数据对象的离群因子,并根据离群因子的值对数据集进行升序排列,使得中心点的位置靠前.然后在升序排列的数据集上,引入取样因子α,得到候选初始中心点集.最后,根据最大最小距离的思想,在候选初始中心点集上选取k个数据对象作为初始聚类中心.实验结果表明,在时间基本相同的情况下,提出的改进算法相对K-means、K-means++算法具有较好的稳定性和较高的聚类准确率,并且聚类的平均迭代次数也相对较小. 展开更多
关键词 K-MEANS算法 初始聚类中心 离群因子 取样因子 最大最小距离
下载PDF
基于平均差异度优选初始聚类中心的改进K-均值聚类算法 被引量：30
5
作者 李武 赵娇燕 严太山 《控制与决策》 EI CSCD 北大核心 2017年第4期759-762,共4页
针对K-均值聚类算法对初始聚类中心存在依赖性的缺陷,提出一种基于数据空间分布选取初始聚类中心的改进算法.该算法首先定义样本距离、样本平均差异度和样本集总体平均差异度;然后将每个样本按平均差异度排序,选择平均差异度较大且与已... 针对K-均值聚类算法对初始聚类中心存在依赖性的缺陷,提出一种基于数据空间分布选取初始聚类中心的改进算法.该算法首先定义样本距离、样本平均差异度和样本集总体平均差异度;然后将每个样本按平均差异度排序,选择平均差异度较大且与已选聚类中心的差异度大于样本集总体平均差异度的样本作为初始聚类中心.实验表明,改进后的算法不仅提高了聚类结果的稳定性和正确率,而且迭代次数明显减少,收敛速度快. 展开更多
关键词 K-均值聚类 初始聚类中心 样本差异度
原文传递
基于改进K-均值聚类的图像分割算法研究 被引量：25
6
作者 李翠 冯冬青 《郑州大学学报（理学版）》 CAS 北大核心 2011年第1期109-113,共5页
为了实现彩色图像的准确分割,研究了在HLS颜色空间中基于优化初始中心的加权K-均值彩色图像聚类算法.首先对大样本的目标颜色进行数理统计,获取优化的初始聚类中心,从而实现准确分类和避免K-均值容易陷入局部最优的问题;然后在HLS颜色... 为了实现彩色图像的准确分割,研究了在HLS颜色空间中基于优化初始中心的加权K-均值彩色图像聚类算法.首先对大样本的目标颜色进行数理统计,获取优化的初始聚类中心,从而实现准确分类和避免K-均值容易陷入局部最优的问题;然后在HLS颜色空间中引入加权欧氏距离来度量对象间的相关性,通过调整系数使对象不同的颜色属性内在特征得以充分利用.实验证明,该算法在保持K-均值聚类简洁、收敛速度快的同时能产生更好的聚类效果,实现彩色图像的快速准确分割. 展开更多
关键词 K-均值聚类 加权欧氏距离 初始聚类中心 HLS颜色空间
下载PDF
一种新的选取初始聚类中心的K-means算法 被引量：25
7
作者 董秋仙 朱赞生 《统计与决策》 CSSCI 北大核心 2020年第16期32-35,共4页
文章在2014年提出的K-means初始聚类中心选取算法的基础上进行改进。通过计算样本间的相异度函数,求出每个样本的相异度参数,选取最大相异度参数值所对应的样本作为初始聚类中心。当最大相异度参数不唯一时,提出了一种合理选取最大相异... 文章在2014年提出的K-means初始聚类中心选取算法的基础上进行改进。通过计算样本间的相异度函数,求出每个样本的相异度参数,选取最大相异度参数值所对应的样本作为初始聚类中心。当最大相异度参数不唯一时,提出了一种合理选取最大相异度参数值的解决方案,依次求出K个初始聚类中心,由此提出了一种选取初始聚类中心的改进算法。实验证明,所提出的改进算法与原算法相比具有更高的准确率,并且明显减少了迭代次数。 展开更多
关键词 K-MEANS算法 初始聚类中心 相异度参数
下载PDF
基于相异性度量选取初始聚类中心改进的K-means聚类算法 被引量：21
8
作者 廖纪勇 吴晟 刘爱莲 《控制与决策》 EI CSCD 北大核心 2021年第12期3083-3090,共8页
选取合理的初始聚类中心是正确聚类的前提,针对现有的K-means算法随机选取聚类中心和无法处理离群点等问题,提出一种基于相异性度量选取初始聚类中心改进的K-means聚类算法.算法根据各数据对象之间的相异性构造相异性矩阵,定义了均值相... 选取合理的初始聚类中心是正确聚类的前提,针对现有的K-means算法随机选取聚类中心和无法处理离群点等问题,提出一种基于相异性度量选取初始聚类中心改进的K-means聚类算法.算法根据各数据对象之间的相异性构造相异性矩阵,定义了均值相异性和总体相异性两种度量准则;然后据此准则来确定初始聚类中心,并利用各簇中数据点的中位数代替均值以进行后续聚类中心的迭代,消除离群点对聚类准确率的影响.此外,所提出的算法每次运行结果保持一致,在初始化和处理离群点方面具有较好的鲁棒性.最后,在人工合成数据集和UCI数据集上进行实验,与3种经典聚类算法和两种优化初始聚类中心改进的K-means算法相比,所提出的算法具有较好的聚类性能. 展开更多
关键词 聚类分析 K-MEANS算法 初始聚类中心 离群点 相异性度量 鲁棒性
原文传递
一种基于划分的不同参数值的DBSCAN算法 被引量：16
9
作者 熊忠阳 孙思 +1 位作者 张玉芳 王秀琼 《计算机工程与设计》 CSCD 北大核心 2005年第9期2319-2321,共3页
聚类是数据挖掘领域中一个重要的研究方向,DBSCAN是一种基于密度的聚类算法。该算法将具有足够高密度的区域划分成簇,并可以在带有“噪声”的空间数据库中发现任意形状的簇。分析DBSCAN算法发现存在如下问题:当数据分布不均匀时,由于使... 聚类是数据挖掘领域中一个重要的研究方向,DBSCAN是一种基于密度的聚类算法。该算法将具有足够高密度的区域划分成簇,并可以在带有“噪声”的空间数据库中发现任意形状的簇。分析DBSCAN算法发现存在如下问题:当数据分布不均匀时,由于使用统一的全局变量,使得聚类的效果差。针对这一缺陷,提出了一种基于数据划分的思想,并对各个局部数据集采取不同的参数值分别进行聚类,最后合并各局部聚类结果。实验结果表明,改进后的算法有效并可行。 展开更多
关键词 聚类 DBSCAN 初始聚类中心 数据划分
下载PDF
K-means聚类算法中聚类个数的方法研究 被引量：19
10
作者 刘飞 唐雅娟 刘瑶 《电子设计工程》 2017年第15期9-13,共5页
在数据挖掘算法中,K均值聚类算法是一种比较常见的无监督学习方法,簇间数据对象越相异,簇内数据对象越相似,说明该聚类效果越好。然而,簇个数的选取通常是由有经验的用户预先进行设定的参数。本文提出了一种能够自动确定聚类个数,采用SS... 在数据挖掘算法中,K均值聚类算法是一种比较常见的无监督学习方法,簇间数据对象越相异,簇内数据对象越相似,说明该聚类效果越好。然而,簇个数的选取通常是由有经验的用户预先进行设定的参数。本文提出了一种能够自动确定聚类个数,采用SSE和簇的个数进行度量,提出了一种聚类个数自适应的聚类方法(简称:SKKM)。通过UCI数据和仿真数据对象的实验,对SKKM算法进行了验证,实验结果表明改进的算法可以快速的找到数据对象中聚类个数,提高了算法的性能。 展开更多
关键词 K-MEANS算法 聚类个数 初始聚类中心 数据挖掘 K-means算法改进
下载PDF
基于多维网格空间的改进K-means聚类算法 被引量：17
11
作者 邵伦 周新志 +1 位作者 赵成萍 张旭 《计算机应用》 CSCD 北大核心 2018年第10期2850-2855,共6页
K-means算法是被广泛使用的一种聚类算法,传统的K-means算法中初始聚类中心的选择具有随机性,易使算法陷入局部最优,聚类结果不稳定。针对此问题,引入多维网格空间的思想,首先将样本集映射到一个虚拟的多维网格空间结构中,然后从中搜索... K-means算法是被广泛使用的一种聚类算法,传统的K-means算法中初始聚类中心的选择具有随机性,易使算法陷入局部最优,聚类结果不稳定。针对此问题,引入多维网格空间的思想,首先将样本集映射到一个虚拟的多维网格空间结构中,然后从中搜索出包含样本数最多且距离较远的子网格作为初始聚类中心网格,最后计算出各初始聚类中心网格中所包含样本的均值点来作为初始聚类中心。此法选择出来的初始聚类中心与实际聚类中心拟合度高,进而可据此初始聚类中心稳定高效地得到最终的聚类结果。通过使用计算机模拟数据集和UCI机器学习数据集进行测试,结果表明改进算法的迭代次数和错误率比较稳定,且均小于传统K-means算法测试结果的平均值,能有效避免陷入局部最优,并且聚类结果稳定。 展开更多
关键词 K-MEANS算法 聚类算法 初始聚类中心 多维网格空间 均值点
下载PDF
基于KD-树和K-means动态聚类方法研究 被引量：16
12
作者 万静 张义 +1 位作者 何云斌 李松 《计算机应用研究》 CSCD 北大核心 2015年第12期3590-3595,共6页
针对传统K-means聚类算法对初始中心点比较敏感、易陷入局部最优,首先提出基于KD-树的初始聚类中心点选取方法。该方法通过建立KD-树将数据集分割成矩形单元,计算每个矩形的矩形单元中心、矩形单元密度,并将计算所得矩形单元密度降序排... 针对传统K-means聚类算法对初始中心点比较敏感、易陷入局部最优,首先提出基于KD-树的初始聚类中心点选取方法。该方法通过建立KD-树将数据集分割成矩形单元,计算每个矩形的矩形单元中心、矩形单元密度,并将计算所得矩形单元密度降序排列,通过选取前k个矩形单元中心作为初始聚类中心,可有效克服传统算法对初始中心点的敏感。此外,针对传统K-means聚类算法不能有效处理动态数据聚类的问题,进一步提出了KDTK-means聚类算法。该算法对基于KD-树优化选取的k个聚类中心和增量数据建立新的KD-树,利用近邻搜索策略将增量数据分配到相应的聚类簇中并完成聚类。实验结果表明,与传统的K-means聚类算法相比,提出的基于KD-树优化初始聚类中心点选取的算法能够有效选取具有代表性的初始中心,提出的KDTKmeans聚类算法能够快速高效地处理增量数据聚类问题。 展开更多
关键词 K-MEANS聚类 KD-树 增量聚类 初始聚类中心
下载PDF
基于蜂鸟羽毛的色彩提取及应用 被引量：15
13
作者 张旻爽 祝成炎 +3 位作者 李启正 张红霞 林平 丁圆圆 《丝绸》 CAS CSCD 北大核心 2017年第12期59-66,共8页
鸟类羽毛色彩进化了上万年,形成了一套天然美感的搭配法则,能够为设计师提供设计灵感。为探寻其中的配色规律并加以利用,文章基于蜂鸟羽毛的色彩进行了一系列的仿生色彩提取研究。首先针对K-MEANS聚类算法,对比分析了色相模式与灰度模... 鸟类羽毛色彩进化了上万年,形成了一套天然美感的搭配法则,能够为设计师提供设计灵感。为探寻其中的配色规律并加以利用,文章基于蜂鸟羽毛的色彩进行了一系列的仿生色彩提取研究。首先针对K-MEANS聚类算法,对比分析了色相模式与灰度模式两种不同的初始聚类中心的设置方法,并在此基础上提出了一种经过优化的初始聚类中心的设置方法;然后使用优化过后的K-MEANS聚类算法,对10种蜂鸟共200张羽毛色彩照片进行羽毛色彩的主色系提取。通过三次聚类计算,探讨分析蜂鸟羽毛色彩的配色规律,制得相应的占比配色色卡,为设计师在以蜂鸟羽毛色彩为灵感来源的配色方案上提供了一定的理论依据。 展开更多
关键词 聚类算法 初始聚类中心 色彩提取 色彩网络 色彩设计 蜂鸟羽毛
下载PDF
基于密度敏感距离的改进模糊C均值聚类算法 被引量：15
14
作者 王治和 王淑艳 杜辉 《计算机工程》 CAS CSCD 北大核心 2021年第5期88-96,103,共10页
模糊C均值(FCM)聚类算法无法识别非凸数据,算法中基于欧式距离的相似性度量只考虑数据点之间的局部一致性特征而忽略了全局一致性特征。提出一种利用密度敏感距离度量创建相似度矩阵的FCM算法。通过近邻传播算法获取粗类数作为最佳聚类... 模糊C均值(FCM)聚类算法无法识别非凸数据,算法中基于欧式距离的相似性度量只考虑数据点之间的局部一致性特征而忽略了全局一致性特征。提出一种利用密度敏感距离度量创建相似度矩阵的FCM算法。通过近邻传播算法获取粗类数作为最佳聚类数的搜索范围上限,以解决FCM算法聚类数目需要人为预先设定和随机选定初始聚类中心造成聚类结果不稳定的问题。在此基础上,改进最大最小距离算法,得到具有代表性的样本点作为初始聚类中心,并结合轮廓系数自动确定最佳聚类数。基于UCI数据集和人工数据集的实验结果表明,相比经典FCM、K-means和CFSFDP算法,该算法不仅具有识别复杂非凸数据的能力,而且能够在保证聚类性能和稳定性的前提下加快收敛速度。 展开更多
关键词 模糊C均值聚类算法 密度敏感距离 近邻传播 初始聚类中心 轮廓系数
下载PDF
基于关联图划分的Kmeans算法 被引量：14
15
作者 李正兵 罗斌 +1 位作者 翟素兰 涂铮铮 《计算机工程与应用》 CSCD 2013年第21期141-144,151,共5页
Kmeans是最典型的聚类算法,因其简洁、快速而被广泛使用。针对传统Kmeans算法对初始聚类中心敏感和聚类参数k难以确定的问题,提出了一种基于关联图划分的Kmeans算法。该算法能够有效地根据数据的分布特性选取初始聚类中心,能够在指定的... Kmeans是最典型的聚类算法,因其简洁、快速而被广泛使用。针对传统Kmeans算法对初始聚类中心敏感和聚类参数k难以确定的问题,提出了一种基于关联图划分的Kmeans算法。该算法能够有效地根据数据的分布特性选取初始聚类中心,能够在指定的数据密集程度下自适应确定聚类数目。有效性实验表明上述改进的Kmeans算法具有较高的准确率和稳定性。 展开更多
关键词 K均值 关联图 初始聚类中心 相似度矩阵
下载PDF
基于改进K-均值聚类的快速分形图像编码算法 被引量：10
16
作者 王向阳 于雁春 《计算机科学》 CSCD 北大核心 2008年第2期219-222,共4页
将先进的K-均值聚类理论引入到分形图像编码领域,是目前国际学术界的研究热点之一。本文全面分析了K-均值聚类的初始聚类中心选取问题,给出了基于均值-标准差的初始聚类中心选取新方案,并据此提出了一种新的快速分形图像编码算法。仿真... 将先进的K-均值聚类理论引入到分形图像编码领域,是目前国际学术界的研究热点之一。本文全面分析了K-均值聚类的初始聚类中心选取问题,给出了基于均值-标准差的初始聚类中心选取新方案,并据此提出了一种新的快速分形图像编码算法。仿真实验表明,本文所提出的快速分形图像编码算法是一种高效的图像压缩方法,不仅其压缩效果明显优于传统K-均值聚类分形图像压缩方案,而且具有较短的编码时间。同时,该算法还具有较强的通用性与适应性(传统K-均值分形编码方法对于纹理图像压缩效果较差,而本文算法的压缩效果却较理想)。 展开更多
关键词 图像压缩 分形编码 K-均值聚类 初始聚类中心
下载PDF
基于改进的密度峰值算法的K-means算法 被引量：11
17
作者 杜洪波 白阿珍 朱立军 《统计与决策》 CSSCI 北大核心 2018年第18期20-24,共5页
针对传统K-means算法存在的随机选取初始聚类中心和类簇数目需要人为选定,从而导致聚类结果不稳定,容易陷入局部最优解的问题,文章提出了一种基于改进的密度峰值算法（DPC）的K-means算法,该算法首先采用改进的DPC算法来选取初始聚类中... 针对传统K-means算法存在的随机选取初始聚类中心和类簇数目需要人为选定,从而导致聚类结果不稳定,容易陷入局部最优解的问题,文章提出了一种基于改进的密度峰值算法（DPC）的K-means算法,该算法首先采用改进的DPC算法来选取初始聚类中心,弥补了K-means算法初始聚类中心随机选取导致易陷入局部最优解的缺陷;其次运用K-means算法进行迭代,并且引入熵值法计算距离优化聚类。在UCI数据集上的实验表明,该算法得到较好的初始聚类中心和较稳定的聚类结果,并且收敛速度也较快,证明了该算法的可行性。 展开更多
关键词 K-MEANS算法 改进的DPC算法 聚类 熵值法 初始聚类中心 优化聚类
下载PDF
改进的快速模糊C均值聚类图像分割算法 被引量：10
18
作者 许芹 唐敦兵 蔡祺祥 《南京理工大学学报》 EI CAS CSCD 北大核心 2016年第3期309-314,共6页
为了提高图像分割的运算速度,该文在将传统模糊C均值(FCM)聚类算法应用于图像自动分割的基础上,提出一种改进的快速图像分割算法。将图像从像素空间映射至其对应的灰度直方图特征空间,实现在特征空间进行数据聚类分析以减少聚类样本数... 为了提高图像分割的运算速度,该文在将传统模糊C均值(FCM)聚类算法应用于图像自动分割的基础上,提出一种改进的快速图像分割算法。将图像从像素空间映射至其对应的灰度直方图特征空间,实现在特征空间进行数据聚类分析以减少聚类样本数量。依据灰度直方图特性,通过曲线拟合方法获得图像的聚类数及初始聚类中心。实验结果表明,在有效分割图像的基础上,该算法的运算迭代次数减少了约10%,运行时间减小了约6%。 展开更多
关键词 模糊聚类 C均值聚类 图像分割 像素空间 灰度直方图 特征空间 曲线拟合方法 聚类数 初始聚类中心
下载PDF
基于密度和聚类指数改进的K-means算法 被引量：10
19
作者 毛秀 冒纯丽 丁岳伟 《电子科技》 2015年第11期47-50,64,共5页
传统K-means算法中,随机选择到的初始聚类中心不同会得到不一样的簇类,人工给定的k值与实际聚类数较难达到一致,针对这些问题,文中提出了基于密度和聚类指数改进的K-means聚类算法。根据密度获取高密度集HP,从此集合中选择相互之间距离... 传统K-means算法中,随机选择到的初始聚类中心不同会得到不一样的簇类,人工给定的k值与实际聚类数较难达到一致,针对这些问题,文中提出了基于密度和聚类指数改进的K-means聚类算法。根据密度获取高密度集HP,从此集合中选择相互之间距离最大的两对对象均值当成第一轮聚类的聚类中心,新的聚类中心可通过最大距离积法获取,并参考聚类指数确定合适的k值。通过进行实验确认了该算法有较高的准确性和有效性。 展开更多
关键词 K-均值算法 初始聚类中心 高密度集 最大距离积法 聚类指数
下载PDF
基于全局中心的高密度不唯一的K-means算法研究 被引量：10
20
作者 何云斌 刘雪娇 +2 位作者 王知强 万静 李松 《计算机工程与应用》 CSCD 北大核心 2016年第1期48-54,共7页
传统的K-means算法敏感于初始中心点的选取,并且无法事先确定准确的聚类数目k,不利于聚类结果的稳定性。针对传统K-means算法的以上不足,提出了基于全局中心的高密度不唯一的新方法——NDK-means,该方法通过标准差确定有效密度半径,并... 传统的K-means算法敏感于初始中心点的选取,并且无法事先确定准确的聚类数目k,不利于聚类结果的稳定性。针对传统K-means算法的以上不足,提出了基于全局中心的高密度不唯一的新方法——NDK-means,该方法通过标准差确定有效密度半径,并从高密度区域中选取具有代表性的样本点作为初始聚类中心。此外算法针对最高密度点不唯一的情况进行特别分析,选取距离全局中心最远的点集作为最优的初始中心点集合。在NDK-means算法基础上结合有效性指标BWP对聚类结果进行分析,从而解决了最佳有效聚类数目无法事先确定的不足。理论研究与实验结果表明所提方法的聚类结果具有更好的稳定性和可行性。 展开更多
关键词 K-MEANS算法 初始中心 聚类数 基于密度
下载PDF
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
上一页 1 2 … 4 下一页 到第 页
使用帮助 返回顶部